通过连通性与分割联合学习进行细粒度道路网络提取
计算机视觉与模式识别
2023-12-11 v1 机器学习
摘要
从卫星图像中提取道路网络广泛应用于智能交通管理和自动驾驶领域。高分辨率遥感图像包含复杂的道路区域和分散注意力的背景，这给道路提取带来了挑战。在本研究中，我们提出一个堆叠式多任务网络，用于端到端地分割道路同时保持连通性正确性。在该网络中，引入了一个全局感知模块以增强像素级道路特征表示并消除来自俯拍图像的背景干扰；添加了一个与道路方向相关的连通性任务，以确保网络保持道路段的图级关系。我们还开发了一种堆叠式多头结构，以联合学习并有效利用连通性学习与分割学习之间的互信息。我们在三个公开遥感数据集上评估了所提出网络的性能。实验结果表明，该网络在道路分割精度和连通性保持方面优于当前最先进的方法。
引用
@article{arxiv.2312.04744,
title = {Fine-Grained Extraction of Road Networks via Joint Learning of Connectivity and Segmentation},
author = {Yijia Xu and Liqiang Zhang and Wuming Zhang and Suhong Liu and Jingwen Li and Xingang Li and Yuebin Wang and Yang Li},
journal= {arXiv preprint arXiv:2312.04744},
year = {2023}
}